卷积神经网络简介

​​​​​​卷积神经网络（CNN）——简介

一、简介

卷积神经网络(ConvNets或CNN)是神经网络的一种，已被证明在图像识别和分类等领域非常有效。 除机器人和自动驾驶汽车的视野增强外，ConvNets还在识别面部，物体和交通标志上获得成功。

LeNet是最早推动深度学习领域的卷积神经网络之一。 自1988年以来，Yann LeCun的这项开创性工作在经过多次成功的迭代之后，于1998年被命名为LeNet5。 当时LeNet架构主要用于字符识别任务，例如读取邮政编码，数字等。

 二、LeNet网络结构

 上图为经典神经网络LeNet的网络结构，其中包括了卷积神经网络的四个关键操作：

• 卷积
• 非线性变换
• 池化（降采样）
• 分类（全连接）

持续更新，后续会详细介绍每个操作。 

三、图像的存储

通道是一个常规术语，用于指代图像的某个组成部分。 来自标准数码相机的图像将具有三个通道-红色，绿色和蓝色。可以把它们想象成三个彼此叠加的二维矩阵（每种颜色一个），每个像素值的范围为0到255，其中0显示黑色，255显示白色。

如果是灰度图的话，则只有一个通道 。

 所以在计算机中，图像是都被表示成一个像素值矩阵，对于一个长宽都为20像素的彩色图像，存储的数据格式为（20,20,3）；对于一个长宽都为20像素的灰度图，存储的数据格式为（20,20,1）。